无人系统认知联合抗干扰通信研究综述

王桂胜，董淑福，黄国策

空军工程大学 信息与导航学院，西安 710077

随着5G技术的不断发展，无人系统的通信频率和带宽不断提高，从而迅速推动了高速率、低延迟和大容量的可靠通信，利用宽带和高速传输的优势，无人系统可以支持智能传感、控制和其他飞行器之间通信的广泛应用。但由于电磁频谱逐渐紧缺，所有相关的无人系统个体都面临着通信中断、阻塞或恶意干扰的挑战，从而容易影响通信效率和能力。因此，确保高频谱效率的前提下保证低截获概率和抗干扰性能，对于战术边缘网络中通信安全性和可靠性至关重要。

传统无人系统通信常采用直扩、跳频、跳时等抗干扰通信技术，通过将信号特征隐藏于时域或频域的方式规避敌方截获，但信号在循环平稳和各态历经性等方面存在一定的特征，容易被敌探测干扰。随着认知电子战技术的发展以及电磁频谱作战理念的兴起[1-2]，对传统通信技术的抗干扰能力提出了更高的要求，认知抗干扰通信通过将认知思想应用到抗干扰通信领域，实现了敏捷、智能的抗干扰能力，近年来逐渐受到各国研究人员的高度重视。

按照“OODA环”[3-4]中观察、判断、决策、行动等阶段对干扰的认知处理，认知抗干扰通信涉及的关键技术主要包括：快速准确的检测估计、智能鲁棒的分类识别技术、高效抗扰的波形变换技术、灵活适变的抑制消除技术以及多样联合的优化决策技术等[5-6]。其中干扰的检测识别为前提，优化决策是核心，波形变换和抑制消除是手段，如图1所示。本文主要针对干扰的检测识别、变换分析和抑制消除等展开分析。

图1 认知抗干扰的“OODA”环Fig.1“OODA”loop for cognitive anti-interference

1 干扰的检测识别

干扰的检测识别作为认知抗干扰系统的基础环节，目的是通过获取干扰的强度、频段和类型等先验知识，从而为干扰的抑制消除提供所需的经验信息，主要包括干扰的检测估计和分类识别两部分[7-8]。其中，干扰检测估计的侧重点在于干扰存在性的检测算法，而干扰分类识别的研究则聚焦于干扰特征参数的估计和类型识别。下面分别具体展开分析。

1.1 干扰检测估计

干扰的检测估计通常指干扰信号存在与否的二元性检测，即在环境噪声的影响下，通过某一状态下的特征和判别准则进行干扰存在性的假设检验。常用的判别准则包括奈曼-皮尔森（Neyman-Pearson，NP）准则、Bayesian准则和最大后验概率（maximum a posteriori，MAP）准则等。基于NP估计框架，文献[9]研究了在加性高斯噪声影响下的发射信号检测问题，并利用检测概率函数的凸性特征，针对平均/峰值功率约束的发射机和接收机提出了最优/近似最优的分时策略及其策略参数，有效提高了干扰检测能力；在无论是否存在平均功率约束的情况下，Soganci等人基于总贝叶斯风险和最大贝叶斯风险两种不同的性能准则，设计了一类固定估计量的多参数最优检测估计方法[10]，并给出了相对应的最优参数表征和所取得的检测性能增益；为了在平均发射功率约束下最小化平均误差概率，在接收端利用MAP决策规则设计最优检测策略[11]，有效降低了系统误码率。

根据检测的信号处理形式，干扰检测估计算法可分为时频域检测估计、空域检测估计以及其他变换域检测估计等。其中，后者干扰的空域检测估计主要利用电磁波在天线阵列不同极化方向和不同波束方向的传播特性，通过波达方向（direction of arrival，DOA）估计目标的位置和角度等信息，进而通过控制天线阵列的方向图实现干扰抑制消除的目的。该方法具有分辨率高、信噪比灵敏度低的特点，能够检测出相干干扰和欺骗式干扰，但对天线材料和成本要求较高，如龙勃透镜，硬件实现有一定难度，适应于隐身飞机等特定场景，与应用更广泛的前两种方法相比，后者应用范围有限，需要进行专门的天线阵列设计。

干扰的时频域检测估计主要利用干扰波形在时频域的能量或频率变化特性，通过功率能量谱、循环特征谱、高阶累积量等特性信息以及连续均值去除和前向连续均值去除等频谱感知方法，实现干扰门限的设置和干扰参数的估计。该方法不需要任何先验信息，简单高效，能够一定程度上适应干扰强度的变化，但对噪声不太敏感，适用类型范围一定，特别是处理宽带干扰时容易出现虚警现象，精度受限。

干扰的变换域检测估计主要利用干扰、噪声和通信信号在不同变换域呈现的差异性特征来检测出干扰的，通过选取合适的变换基从而降低在时频域处理的复杂度。根据不同的变换基形式，通常可分为分数阶傅里叶变换、小波变换、离散余弦变换等干扰变换检测技术。该方法可以高效地处理时变多样的干扰类型，简化复杂的滤波实现过程，能够进行干扰的细节特征分析，特别适合于宽带稀疏性干扰，但目前获取最优变换的方法效率不高，时效性有待进一步提高。

综上，各方法特点如表1所示。

表1 不同检测方法对比分析Table 1 Comparisons of different detection methods

目前，干扰检测估计通常由专用设备或通信设备本身的算法来实现，一般来说，后一种情况的开销和成本较低。但无论哪种情况下，都需要事先累积获得的干扰活动的潜在指标（或度量），依赖先前获得的无干扰和有干扰条件下的通信行为及其相关频谱知识。针对具有子空间结构的强扰动信号检测问题，在先验知识不完整或不确定的情况下，通过合并子空间的部分先验知识来应对训练受限的场景，基于先验知识的层次模型来表示知识，用于提高子空间探测器，从而验证了合理使用历史数据可以减轻收集必要信息压力的可行性，对于减少干扰检测的重复工作具有重要的推广应用价值。

1.2 干扰分类识别

在干扰检测估计的前提下，后续干扰处理的重要一环是干扰的分类识别，其研究重点在于特征的提取和智能决策过程。其中，智能决策技术的实质在于自适应地在一个巨大解空间中寻找到目标函数的最优解组合策略的过程。目前，融合多学科的人工智能技术，如机器学习、生物启发式算法、模糊神经网络等方法，它们通过递归反馈式的学习和局部交互的方式，与传统方法相比，能够更快地发现局部最优解，已被广泛研究并应用于复杂策略和环境下的网络多点协同和系统性能优化。

而针对特征提取方式的不同，常见的干扰分类识别方法主要可分为两类：一是根据干扰信号自身的特性，利用深度学习、机器学习等智能方法，自主进行特征检测并分类，需要依赖数据的支持，实时性和处理速度受限，提取的特征缺乏信号相关理论的支撑，物理意义不强；二是为提高处理速度及其特征的合理性，利用傅里叶变换、分数阶和小波变换等变换域方法以及稀疏分解、匹配追踪等方法进行频谱特征分析，据此提出相应的关联维数、熵特征和高阶累积量等作为干扰识别的特征参数，再结合简单的分类算法实现，一定程度上降低了硬件实现的难度，但由于局限于特定的干扰类型或调制方式的小样本空间，对于大规模训练样本效率不高，实际干扰处理的推广应用受限。

2 干扰的变换分析

当前，无人系统面临的通信干扰类型和样式不断变化，出现了窄带、梳状谱等干扰类型和转发、欺骗等干扰样式；同时干扰策略不断优化，既有功率、频率的交织，又有内容、时机的对抗。考虑到干扰的频谱划分，可分为瞄准式干扰、多频点干扰和拦阻式干扰[12-13]，其中，瞄准式干扰通常指干扰与被干扰信号频谱的重合度较高的一类干扰形式，如窄带干扰等；多频点干扰是对多载频信号的干扰，可分为频分多频点干扰、时分多频点干扰和综合多频点干扰等；拦阻式干扰是对被干扰信号的频带范围进行广域覆盖的干扰方式，通常为宽带干扰，如扫频拦阻式干扰和梳状谱干扰等。本文结合以上实际中常见的干扰类型，采用载波或脉冲信号与噪声相结合的干扰形式分别展开研究。

2.1 干扰分类建模

单音干扰（或称连续波干扰）属于最简单的干扰类型，根据被干扰信号的载频特征，可通过发射大功率的连续波实施干扰：

式中，J0是干扰幅值，f0为干扰频点，θ0为相位。

多音干扰实际上是多个单音干扰的叠加：

式中，Ji表示第i个干扰分量的幅值，fi表示第i个干扰频点，θi为相位。

部分频带干扰通常指干扰带宽较窄的干扰（一般不超过被干扰信号带宽的10%），可通过窄带滤波器实现：

式中，fH和fL分别表示窄带滤波器的上、下截止频率。

线性调频干扰通常指频率随时间而线性变化，且在某个时间段内呈宽带特性的干扰，其功率谱具有非平稳特性：

式中，fi0为初始频率，μi0为调频率。

脉冲干扰可通过高斯白噪声与匹配滤波器的冲激响应卷积相得到：

式中，n(t)为高斯白噪声，h(t)为冲激响应。

梳状谱干扰是一种阻塞式干扰，其包络在时域上恒定，可通过锯齿波干扰和窄带干扰叠加生成：

式中，f0为中心频率，Δt为延时，k为调频率。

2.2 变换处理方法

考虑到干扰在时变和非平稳方面的多样性，可以将变换域划分为不同维度的多个域（如时域、频域、分数域、小波域等），各变换域的基分别是t、ejwt、chirp信号以及Ψa,b(t)等，它们之间可以相互转换，也可以独立进行信号处理。通过将多类干扰自适应地进行变换分析和处理，从而提高干扰处理能力。目前，基于变换分析的数字信号处理方法主要有以下几种：

离散傅里叶变换（discrete Fourier transform，DFT）。DFT通过时频域变换能够得到信号的整体频谱，可用于平稳信号的处理[14]，其时频域变换关系为：

其中，ωN=e(-2πi)/N。

分数阶傅里叶变换（fractional Fourier transform，FrFT）。FrFT主要用于处理非平稳信号，阶次p变换比传统的傅里叶变换应对非平稳信号更加有效，但运算量也更加复杂和耗时[15]，其信号变换关系推导如下：

离散小波变换（discrete wavelet transform，DWT）。DWT通过变化的时间窗口实现对信号频谱的非均匀分解，从而提取出近似系数和细节系数，可以有效处理非平稳信号的细节信息[16]。其离散小波函数和变换系统可表示为：

离散余弦变换（discrete cosine transform，DCT）。DCT类似于DFT，它可以利用部分系数进行信号的重构[17]，具体表达式如下：

短视傅里叶变换（short-time Fourier transform，STFT）。STFT可以使时变信号通过给定的窄时窗函数进行时间平滑处理，因而适用于慢时变信号的频谱分析处理，对非平稳信号的局部特性分析具有明显的效果[18]，其离散形式推导如下：

其中，x(n+m)w(m)表示短时序列。

近年来，信号处理理论的广泛发展产生了信号变换的许多新方法，除上述应用更广泛的FFT、FrFT、DWT及其派生形式外[19]，由于变换分析不需要局限于线性变换，新发展的变换分析可以使用降维或特征提取方法将检测到的信号转换为新的表示，如主成分分析、线性判别分析、稀疏学习等[20-22]。在此基础上，考虑到主成分分析方法中最终确定保留的主成分数量不一致问题，又发展了稀疏主成分分析作为特征提取方法[23]，保留了原始数据的主成分数量，作为分类器输入的原始数据，准确率更高。

然而，由于信号的多样性和非线性变换域的存在，计算量大，难以选择最优变换域。此外，大规模训练样本的高成本和不确定性，导致现有的方法大多依赖于对特定信号通过人工进行有限的选择，更加容易受到多种因素的影响。因此，需要开发一种灵活适用于一般信号的变换分析方法，以拓宽实际应用范围的限制条件。由于宽带信号通常都是可以被压缩的，即在选择合适的基进行变换后能够用稀疏信号很好地表达出来，这为下一步干扰信号的稀疏表示和重构提供了理论基础。通过将通信信号和干扰转换到对应的优选域中进行处理，利用在某种维度或域上的不同稀疏特性可以较好地实现抑制消除。

3 干扰的多域抑制

广义的干扰抑制包括干扰的波形变换、优化决策和抑制消除等反馈回路过程，通过不断地调整优化以达到最优的干扰抑制效果[24]。其中，干扰抑制的核心在于灵活适变的抑制消除技术，而效果的好坏则需要在变换分析的基础上，通过智能决策和多样抑制的联合处理，经适应性学习训练，以满足对抗强度更激烈、干扰种类更丰富的复杂电磁环境。本部分主要围绕传统和新型的干扰抑制方法及其发展展开分析。

3.1 传统抑制方法

随着电子干扰技术的发展，恶意干扰常常使得无人系统通信的可靠性无法保证，为此，提出了许多抑制干扰的有效方法。Choe等人利用频谱感知方法进行了机会式的规避干扰频谱，并在此基础上设计了一种具备认知抗干扰能力的战术数据链，并在实际干扰环境验证了系统的抗干扰和误码率性能[25]；对于超宽带无线通信系统面临的窄带干扰，Xiong等人[26]利用信号之间的显著相关差，设计了一种基于自适应陷波滤波器的干扰抑制方案，探讨了消除单个窄带干扰的直接式、线性级联式和时分复用并行级联式方法，收敛速度快、失真小、稳定性好，适用于低复杂度的直接序列超宽带接收机。

从变换分析的角度出发，目前存在的干扰抑制技术主要包括在时域中滤波抑制和变换域中分离消除[27]，均对常见的干扰起到了明显的抑制作用，如窄带干扰和脉冲干扰等。对于时域抗干扰方案的研究，Yeh等人[28]利用自动增益和包络检测技术，考虑到多径衰减和阴影效应的影响，验证了系统抵抗脉冲干扰和连续波干扰的能力；针对窄带干扰对OFDM系统接收机性能的影响，设计了一种基于切陷滤波的新型干扰抑制技术，能够在信号干扰比较低的情况下，较大程度地提高平均误码率性能[29]；为了抑制或消除接收机检测信号中的干扰，通过将消隐、裁剪和混合消隐-裁剪等非线性预处理器应用到接收机中，用于超出给定阈值部分的功率尖峰消除和切断，实现了对脉冲噪声干扰的良好抑制效果[30]；针对传统固定阈值不能有效地适应时变的脉冲干扰的问题，提出了一种在时变信道中基于矩估计的自适应干扰抑制系统[31]，能够在弱、中、重干扰环境下误码率性能提升显著。然而，大多数传统方法只能抑制特定的干扰，无法自适应地实现多类型干扰的波形重构和信号恢复。因此，上述这些方法在无人系统通信中未能达到令人满意的有效抗干扰和鲁棒性能。

依据有关证明，无人系统间以及与基础设施（有人系统）建立通信网络都呈现出宽带稀疏和视距传输特性。为了进一步克服传统方法的缺点，对基于压缩感知理论的几种算法进行了分析研究，用以估计稀疏信道。当事先获得信道信息的先验知识时，许多迭代贝叶斯算法实现了近似的信号估计，且计算复杂度较低，如近似消息传递等[32]。然而，理想而严格的先验条件限制了这些方法的推广应用，即使能够保证均方误差估计水平最低。基于结构压缩感知理论，Liu等人提出了一种新的干扰消除方案，可以在接收机中准确地恢复稀疏窄带干扰，并减轻其干扰影响[33]；Jia等人提出了一种改进的块状稀疏贝叶斯学习方法，用于估计和减轻通信系统的窄带干扰，而且该方法能够从压缩信号中重构干扰，并实现时域的干扰抑制[34]。

3.2 新型抑制方法

随着干扰机的功能和样式持续推陈出新，电子信息攻击和高功率电磁脉冲攻击成为针对无人系统最有效的打击手段，对传统时域抑制技术提出了更高的抗干扰要求。目前现有的抗干扰系统设计和改进更多地基于变换域思想进行干扰抑制和消除，如傅里叶变换、分数阶傅里叶变换和小波变换等；在此基础上，又依据宽带信号的稀疏特性发展出了基于压缩感知的新型抗干扰技术，并在宽带/超宽带电子系统中得到推广应用。Pan等人[35]基于通信信号和干扰的压缩分量正交性提出了一种压缩滤波方法，实现了干扰的有效抑制；裴立业等人[36]利用通信信号和干扰的稀疏可分性提出了基于选择性测量的噪声干扰抑制方法；Gomaa等人[37]利用基于稀疏度感知的干扰估计方法实现了干扰的时域对消和抑制。一般来说，目前基于压缩感知的干扰抑制方法主要包括三类：选择性观测、稀疏分离和重构对齐，各方法特点如表2所示。

表2 不同抑制方法性能对比分析Table 2 Comparisons of different suppression methods

（1）干扰的选择性观测。该方法主要利用测量矩阵不同的代表性特征，实现对电磁信号的选择性接收，从而达到干扰和接收信号的压缩采样的分离效果，具有原理简易高效、针对性强等优势。基于通信信号及其遭受干扰之间压缩成分的正交性，提出了一种有效抑制干扰的压缩滤波方法[34]；经验证，虽然选择性观测方法的原理简单有效，其干扰形式的针对性相当明显，但不同程度地降低了通信信号的重构性能，且需要根据不同的干扰特性专门设计最优干扰子空间，算法复杂度高，应用范围却相对有限。

（2）干扰的重构对齐。该方法主要适用于干扰强度较大的场景，在高精度恢复干扰后通过采用创新的时域对消技术，能够减少对接收信号的负面扰动，且在一定范围内重构精度随着干扰强度的增强而提高，实际应用相对广泛。Liu等人所设计的增强型干扰估计方法[38]通过估计稀疏性的感知程度，实现了时域的干扰消除和抑制，还证实了应对高功率强度干扰的优势。尽管如此，在实际中仍存在干扰消除不彻底的现象，需要从硬件上改进多天线结构以提升自身性能，成本较高；在理想情况下，提升干扰的重构精度和降低天线结构改进的成本仅能够保证干扰消除效果基本可行，需要更加详细的稀疏分布特点等历史数据和经验信息，在联合干扰知识库的支持下能更好地发挥其抑制效果。

（3）干扰的稀疏分离。该方法通常利用干扰和接收信号在同一或不同完备（或过完备）字典学习或基变换学习下的稀疏表示可分性，实现对电磁信号的稀疏分离。在此基础上，基于通信信号和干扰的稀疏分离关系设计了一种噪声干扰的恢复和抑制工具[39]，发现改进的方法可以用简单计算实现分离效果，且具有较低的复杂度。由于不需要全部或大部分干扰信息的重构，具有计算简单、复杂度低等特点，应用范围比较广泛；但提升干扰分离效果要求自适应地学习稀疏字典或变换基，原理上只要干扰形式满足了稀疏性的要求，就可以通过稀疏变换进行干扰分离，这将增加对多样化干扰联合处理的适用性。

4 “边云协同”发展趋势

为保证感知信息更加全面，联合处理方式协同一致，无人系统各节点通常对获取的频谱感知信息进行融合处理；所有节点的计算、存储等资源统一支配调度，按照需求灵活地提供一种或多种服务，从而满足不同任务群组多样化传输需求。然而，所有业务都在“云组织”终结并非完全有效，尤其是一些区域业务若不在本地终结，则既浪费资源也增加时延。因此，需要根据相应的任务属性灵活配置，移动边缘计算通过将区域服务在边缘节点上运行，使得反馈更为迅速；同时，将内容存储和计算需求下沉，提供智能化的流量调度，内容实现本地缓存，并在网络侧增加计算、存储、处理等功能，构建移动边缘云，可根据各自的功能配置和任务属性虚拟出多个具备不同特性的逻辑群，利用端到端的网络切片将网络资源灵活分配为不同的切片业务提供相应的服务质量保障，如图2所示。

图2 任务分工+资源调度支撑“边云协同”施效Fig.2 Task division+resource scheduling supporting effect of“edge-cloud synergy”

在无人系统节点实现认知抗干扰通信的同时，对于复杂电磁环境和多域联合抗干扰的能力要求，需要依托无人系统“云组织”，充分发挥云计算的整体优势，分解成各子任务，网络能力按需组合，统筹规划，合力解决；同时，对于简单的抗干扰任务，它也能够发挥边缘计算的资源特点，将其分配给特定的无人系统节点，将部分区域性业务本地化，内容本地缓存，独立或协同完成相应的任务，从而实现无人系统多节点联合抗干扰的“边云协同”施效。

针对多无人系统的组网应用，考虑到“云—边—群—网”的层次化分布和宽带频谱感知的实际需求，设计了基于“边云协同”的联合抗干扰架构，达到按需边云分级干扰处理的目的，边云组网的架构设计如图3所示。在新兴“云组织”广域分布的节点感知和灵活智能的边云处理体系支撑下，重构基于认知变换域的联合抗干扰架构，通过多样化复合分类决策、多任务同时检测消除、分布式联合分离处理以及多手段协同优化管理等新型抗干扰方法，以更好地满足未来无人系统全域全维电磁频谱对抗的能力要求。各项联合抗干扰能力的运行机制概述如下：

图3 “边云协同”联合抗干扰机制Fig.3 Joint anti-jamming mechanism of“edge-cloud synergy”

多样化复合分类决策立足于“边云协同”组织架构，利用整体的计算、分析和存储资源，将分布感知得到的海量干扰数据进行压缩降维等综合处理，并在历史数据库的支撑下自主实现特征提取和参数学习，充分发挥智能决策优势。

多任务同时估计消除则重在提升边缘节点的自身抗干扰能力，同时段内检测到的不同类型干扰信息能够进行同步处理，通过变换分析和逼近学习，鲁棒应对各种干扰样式和内在结构，实现不同频谱感知状态的有效干扰消除。

分布式联合分离处理关注于节点群内的统一干扰检测，多个节点依托分布式感知和最优变换处理，按照单独分离和共同分离的能力要求，基于状态演进和学习策略达到不同分布检测情况的高效干扰抑制。

多手段协同优化管理则以组网节点的整体吞吐量提升为目的，内部干扰和外部干扰共同作用，频谱分配和功率控制效果均衡，分层分类按需组合优化，保证资源有限的网络性能最大化。

5 联合抗扰关键问题

随着通信电子战技术的飞速发展，出现了智能干扰和认知干扰等多样化干扰形式，在这种情况下，冲突双方通过频谱检测技术，有能力快速转变通信模式及其对抗策略；期间出现了许多新型干扰波形，也表现出多态性和多变性的特点，严重地降低了无人系统节点的抗干扰能力。为维持无人系统协同组网在战术边缘环境下通信的安全性和可靠性，根据认知抗干扰通信的基本内涵和能力要求，结合无人系统“边云协同”的联合抗干扰机制及其传输特点，目前主要在干扰的检测分类、估计消除、变换分离和协同管理等联合抗干扰方面还存在提升空间。

5.1 多样干扰的检测分类

随着通信电子战技术的飞速发展，出现了智能干扰和认知干扰等多样化干扰形式，在这种情况下，冲突双方通过频谱检测技术，有能力快速转变通信及其对抗策略；期间出现了许多新型干扰波形，也表现出多态性和多变性的特点，严重地降低了无人系统的抗干扰能力。传统的分类方法已经难以满足未来干扰类型的多样性和不确定性的要求，需要具备自主的训练学习和特征提取能力；同时，考虑到电磁环境的复杂性，敌我电磁频谱对抗的强度、维度和频次愈发激烈，由此带来大量数据需要对其进行有效处理。因此，通过频谱感知获取干扰频谱信息，利用高效的大样本未知干扰分类识别方法进行针对性变换域处理，成为提升无人系统通信安全性和可靠性的重要途径。

然而，以往的研究工作大多通过分类和变换分析来实现对特定干扰的抑制处理，系统性能严重依赖于干扰检测技术和特征参数提取，从而限制了方法在推广应用中的有效性和鲁棒性；同时，现有研究集中于干扰类型已知或给定的情况下进行处理，由于干扰样本的可变性和干扰选择的不确定性，传统大规模训练样本的学习效率仍然很低，在实际应用处理干扰数据时易受多种因素的影响，预期的分类精度与实际处理结果相差较大，有时很难满足干扰检测要求，若重新学习再分类的工作量较大。值得庆幸的是，机器学习和智能方法为解决未知信号的分类识别问题提供了有效的途径，并随之发展出了许多创新方法，如监督学习、半监督学习和无监督学习等。它们基于群体智能所提取的信号特征能够较好地满足不同情景下的分类识别要求，并且能够通过持续学习来不断更新反馈。其中，基于贝叶斯决策理论的概率神经网络（probabilistic neural network，PNN）[40-41]以其训练简单、扩充性好、易于硬件实现等优点，能快速收敛于贝叶斯最优解，具有较强的容错性，适合于大样本的实时处理，但对干扰分类识别缺乏适应性和针对性；适应性更强的模拟生物神经网络和自组织特性的自组织映射（self-organizing map，SOM）神经网络[42-43]，通过引入获胜神经元和邻居发现功能，在传统网络拓扑的基础上模拟了侧抑制现象，被广泛应用于数据聚类和模式识别，但在未知干扰信号处理方面，尚未有研究工作涉及，而且直接套用处理速度受限，性能优势不突出。因此，需要通用性强且具有一定自主学习的干扰分类识别方法以提高应对多类干扰的处理能力。

5.2 多变干扰的同时消除

随着未来无人系统在宽带稀疏信道下传输速率和质量要求的提升，在干扰的分类识别和时域抑制方法基础上，通过获取信道的部分先验信息，发展了自适应阈值选择的压缩感知时域估计方法。为了进一步摆脱先验知识的约束限制，稀疏贝叶斯学习提供了一种有效提高稀疏信号估计性能的方法，而且不需要额外的信道特性分布等先验知识，解决了多样化干扰检测估计问题；此外，结合一种渐近的最优估计方法，实现了最小均值的平方估计误差，尤其对稀疏信号的非零项分布具有较强的鲁棒性[44]。虽然稀疏贝叶斯学习在信号或干扰是稀疏的情况下，可以显著地减少估计误差，并实现目标的重构恢复，但它严重依赖于检测到的一些特殊干扰形式（特别是在时间或频率域上有一个连续块稀疏结构的脉冲干扰或窄带干扰等），而在很大程度上忽视了其他具有分散和可变稀疏特性的灵活干扰形式（如梳状谱干扰、线性调频干扰等）。此外，现有的方法更多地只关注于一个观测向量，而不是利用不同的分布位置或变换中收集获得的多重响应向量进行联合处理，从而制约了性能精度的进一步提升。虽然部分多重响应方法扩展应用于具有共同稀疏表示部分的同时稀疏近似问题求解过程[45]，却忽略了类型多样的不同干扰形式，这将限制其在差异化干扰复合稀疏表示中的推广应用。由于无人系统自身处理性能及其边云计算、存储能力的提升，在诸多感知节点历史积累的数据库支撑下，结合原理简单的时域滤波技术特点，使得同时处理一段时间内相关的历史干扰样本成为可能，亟待需要一种能够同时有效消除不同类型干扰的普适性方法。

事实上，在实际信号分析中存在另外一种典型的稀疏干扰，即结构化或聚簇稀疏信号，它们的稀疏系数向量中非零项呈现出行稀疏和元素稀疏的不同部分。然而，虽然固有的聚簇结构属性能够被进一步利用，通过层次化结构设计用于恢复更稀疏的信号[46]，但它们显然与一般元素稀疏信号的表示关系存在冲突。除此之外，还可以利用相关信号的稀疏性先验知识，采用多任务压缩感知（multi-task compressed sensing，MT-CS）方法[47]来推断任务相关的后验分布参数，从而为一大类结构化或聚簇稀疏信号提供了一个可行的解决方案；然而，它更多地仅实现在小波系数上的经验贝叶斯过程估计，限制了它在其他变换下的应用精度。更重要的是，从稀疏群组内部的相关性以及重叠的群组部分中得出的多元变量估计过程，只是一些经典的先验分布[48]，对于多样化干扰的代表性有限。因此，需要在MT-CS的基础上，探索一种更有效、更准确的方法来同时恢复和消除各种形式干扰是非常有必要的。

5.3 干扰变换的联合分离

由于对抗环境下无人系统的典型通信系统会遭受到多种形式的干扰，其中包括电子设备中的常见噪声干扰和脉冲干扰；此外，还会遇到许多恶意干扰，包括多音干扰、部分频带干扰和梳状谱干扰等，它们严重制约了通信过程的可靠性和可用性。虽然近期得到迅速发展的变换域抗干扰方法具有估计各种稀疏干扰的能力，但它们只适用于某些类别，包括在时域或频域中具有特殊稀疏特性分布的脉冲干扰和部分频带干扰，却忽略了其他离散和可变的稀疏型干扰，包括线性调频干扰和梳状谱干扰；在一定场景下，如果事先能获得有关信道信息的先验知识，许多迭代的贝叶斯算法都能够以较低的复杂度实现近似的信号估计。然而，即使它们平均平方误差估计的结果较传统方法能够达到更低的水平，理想的信道约束条件限制了这些算法的进一步应用。考虑到无人系统边云联合处理能力的提升，面对诸多感知节点收集到的频谱感知信息，结合干扰检测和变换分离技术特点，使得分布式处理多节点干扰数据的可行性进一步提升，因而寻求一种满足不同稀疏分布干扰的最优分离策略。

由于实际信道的部分先验信息是可以获取的，通过利用自适应阈值选择方案，从而演变出了改进的自适应压缩感知估计方法，并在干扰重构抑制方面取得了一定的成效。但由于不同形式的干扰在时间、频率或小波域上呈现出散乱分布的稀疏特征，因而在使用传统字典学习和稀疏分离方法时，很难实现最优稀疏分离，这将严重影响干扰的分离和抑制性能；具体来说，在不同干扰共存的场景中，若假设存在一种变换分离或字典学习方法，可以同时实现不同干扰的有效分离和消除，在这一点上是难以令人信服的。事实上，新兴且功能强大的形态学分析理论在不同稀疏图像和信号的分离、去噪等方面具有广阔的应用前景，被认为是实现多样化干扰分离的高效可靠方法[49]。在形态学的分析架构上，通常利用近似信息传递（approximate message passing，AMP）来求解目标的分离分析问题[50-51]。考虑到干扰非零系数分布对恢复均方误差有很大的影响，在这个分布未知的情况下，提出了一种使用AMP的MMSE信号恢复方法，同时通过期望最大化来实现信号稀疏分布及其参数的学习，适应于高维范围内广泛信号类的快速重构和恢复[52]；相关研究进一步发现，在实际应用中未知的分布参数需要确定，提出了一种具有内建参数估计的扩展广义AMP算法，利用稀疏联合估计方法，证实了在稀疏信号恢复的收敛性方面具有显著的优势[44]。然而在相关文献的最新研究进展中，采用迭代AMP的干扰分离方法是比较缺乏的，与针对各种形式干扰的重构和分离问题的其他实际解决方法相比，现有的TFOCS方法[53]在简单的线性组合例子中也需要过多的计算复杂度，并应用于不同的干扰分离问题求解过程会更加复杂，并不适合在稀疏变换分离中重构复杂的干扰形式。因此，需要一种新的高效干扰联合变换分离算法以应对复杂电磁环境下的多样化干扰威胁。

5.4 信道干扰的协同管理

由于复杂对抗环境下周围电磁环境比较复杂，频谱资源较为紧张，需要严格限制无人系统网络的频谱使用，以确保网络的独立性，减少频谱冲突；当节点数量较多且可用信道数量较少的情况下，两个无人系统在相互干扰范围的频段并发传输时，将会以传输冲突的形式出现在网络的同信道干扰中；特别是随着信号强度的减弱和外部干扰的引入，为保证一定的通信范围和传输效果，需要更多的能量消耗，即使对于宽带通信系统，也极易导致信息传输失败；加之各无人系统节点的能量容量有限，当前在抗干扰处理的同时需要有效管理多无人系统整体的资源消耗，即无人系统的能量、时间和网络频谱等资源共享问题，近年来在资源有限的无人系统网络中逐渐得到广泛关注。

基于功率控制的干扰管理作为综合协调能量和频谱资源的一种重要方法，能够用于减轻干扰影响的同时降低能量消耗，针对实际应用中的不同场景需求不断优化调整策略。通过对无线网络中碰撞诱因和并发传输可能性的观测，Yao和Bezzina等人分别开发了一种基于干扰感知的功率控制协议，能够极大地提高网络吞吐量[54-55]；针对地面网络可能面临的网内干扰，Sterner等人通过分析同步协同广播机制下的跳频自组网中的同信道干扰对网络吞吐量的影响，发现同信道干扰的存在显著降低了网络的吞吐量[56]；为此，Wang等人提出了一种具有应用前景的低复杂度频谱分配方案，旨在解决认知无线网络中的同信道干扰抑制问题[57]。然而，现有研究工作更多地集中在地面异构网络的资源分配和干扰协同两大方面，特别是5G技术典型应用的密集场景，传统技术的局限性使得整个网络的容量和频谱/能量效率难以进一步提升。未来适用于无人系统的无线通信技术不断发展演进，有利于进一步提升无人系统的传输能力，从而提高无人系统网络的整体容量和其他性能。例如，MIMO技术作为提高移动通信系统传输能力的一种很有前景的方法，通过利用多个传输/接收天线之间的多路通信来减少延迟，能够提高能量效率，减轻信道衰减[58]；事实上，MIMO技术除了能够减少信道衰落的影响，同时会提高空间复用率[59]。还注意到，由于全双工无线节点具有在同一频段中同时传输和接收的能力，因此可有效地将数据传输速率提高一倍[60]，5G技术的发展已经证明了全双工通信系统在高通信速率和高频谱利用率方面的优势，但结合MIMO和全双工技术在无人系统组网应用的研究还比较少。因此，为适应未来无人系统“云脑”赋能发展趋势，探索在节点分布密集且可用信道数有限的特殊对抗场景下，能够有效解决多样化信道干扰协同和功率优化的综合管理方案是非常具有发展前景的。

6 结束语

为充分应对无人系统传统通信模式面临的分布式干扰威胁挑战，满足一体化网络发展和联合抗干扰的能力需求，依托“边云协同”联合抗干扰机制，结合智能化、云计算等技术，充分发挥其算力、存储力和搜索分析能力等，能够更好地感知获取并保证抗干扰能力的集成优势。在雷达-通信-电子战发展趋势下，按照无人系统的“云-网-边-群”的智能网络信息体系架构，围绕观察、判断、决策、行动等阶段对干扰感知分离、分类识别、抑制消除和优化协同等问题开展关键技术攻关，对于提升无人系统网络物理域、信息域、认知域等多维度的联合抗干扰能力具有重要意义。